Marten项目中的投影API模型重构思考
引言
在事件溯源架构中,投影(Projection)是将事件流转换为可查询视图的核心机制。Marten作为.NET生态中强大的事件存储和文档数据库,其投影API的设计直接影响到开发者的使用体验和系统性能。本文将深入分析Marten当前投影模型存在的问题,并探讨未来版本可能的改进方向。
当前投影模型的问题
Marten现有的投影API主要面临以下几个关键挑战:
-
代码生成方法的局限性:对于简单工作流,基于约定的
Create()和Apply()方法表现良好,但在处理复杂业务逻辑时变得难以维护。 -
显式代码编写体验不佳:
CustomProjection作为显式编码的逃生舱口,当前API设计不够优雅,且不支持实时聚合。 -
事件切片API复杂:现有的分组/切片API对开发者不够友好,学习曲线陡峭。
-
功能重叠与冗余:存在多种投影类型(
SingleStreamProjection、MultiStreamProjection等),API边界不清晰。 -
缺乏灵活的事件处理:难以在约定方法中实现"对最后遇到的事件应用此逻辑"等常见需求。
重构方向与解决方案
1. 投影接口简化
建议将现有复杂的IProjection接口拆分为更专注的职责:
// 基础投影接口
public interface IProjection
{
Task ApplyAsync(IDocumentOperations operations, IReadOnlyList<IEvent> events, CancellationToken cancellation);
}
// 内联投影专用接口
public interface IInlineProjection<TOperations>
{
Task ApplyAsync(IDocumentOperations operations, IReadOnlyList<StreamAction> streams, CancellationToken cancellation);
}
这种设计遵循了接口隔离原则,使不同类型的投影可以只实现它们真正需要的功能。
2. 聚合投影统一
计划将现有的多种聚合投影类型统一为:
SingleStreamProjection<T>:处理单事件流聚合MultiStreamProjection<TDoc, TId>:取代现有的多种多流投影实现
两者都支持三种使用方式:
- 覆盖
ApplyChangesAsync方法处理复杂工作流 - 实现简单的
BuildAsync方法 - 继续支持现有的约定方法
3. 事件切片API改进
新设计引入更清晰的事件分组接口:
public interface IEventGrouping<TId>
{
void AddEvent(TId id, IEvent @event);
void AddEvents(TId id, IEnumerable<IEvent> events);
void AddEvents<TEvent>(Func<TEvent, TId> singleIdSource, IEnumerable<IEvent> events);
void FanOutOnEach<TSource, TChild>(Func<TSource, IEnumerable<TChild>> fanOutFunc);
}
切片策略可以通过以下方式定义:
- 使用
Identity<T>、Identities<T>等现有方法 - 覆盖新的
IdentityFor(IEvent e)方法 - 实现完整的
SliceAsync方法处理自定义切片逻辑
4. 实时聚合器优化
新的ILiveAggregator<T>接口提供了更简洁的聚合方式:
public interface ILiveAggregator<T>
{
ValueTask<T> BuildAsync(IReadOnlyList<IEvent> events, IQuerySession session, T? snapshot, CancellationToken cancellation);
}
配合C#的模式匹配,可以实现清晰的事件处理逻辑:
public ShoppingCart Build(ShoppingCart? current, IReadOnlyList<IEvent> events)
{
var cart = current ?? ShoppingCart.Create(events.OfType<IEvent<CartCreated>>().First().Data.Id);
foreach (var @event in events)
{
cart = @event.Data switch
{
ItemAdded itemAdded => cart.Apply(itemAdded),
ItemRemoved itemRemoved => cart.Apply(itemRemoved),
_ => cart
};
}
return cart;
}
架构层面的改进
-
核心逻辑提取:将事件存储和异步守护进程中不特定于PostgreSQL的部分提取到独立库中。
-
显式代码优先:鼓励开发者在业务逻辑复杂时使用显式代码而非约定方法。
-
生命周期简化:重新评估并简化投影生命周期选项,可能回归到更直观的命名方式。
开发者体验提升
-
更严格的验证:确保投影定义方式(显式代码vs约定方法)是互斥的,避免混淆。
-
更好的错误消息:为常见错误场景提供更清晰的指导。
-
辅助工具类:提供帮助方法处理聚合初始化等常见模式。
-
文档完善:特别是针对多流投影和事件切片等复杂场景。
总结
Marten的投影API重构旨在解决现有模型的痛点,同时为复杂事件处理场景提供更强大的支持。通过接口简化、功能整合和显式代码优先等原则,新设计将使开发者能够更自然地表达业务逻辑,同时保持框架的灵活性和性能。
这些改进将使Marten在事件溯源和CQRS架构中继续保持其作为.NET首选事件存储解决方案的地位,同时为未来的功能扩展(如事件归档和分区)奠定坚实基础。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00